Выбор платформы

Методы параллелизации. OpenCL

Идея распараллеливания вычислений основана на том, что большинство задач может быть разделено на набор меньших задач, которые могут быть решены одновременно. Обычно параллельные вычисления требуют координации действий. Параллельные вычисления существуют в нескольких формах: параллелизм на уровне битов, параллелизм на уровне инструкций, параллелизм данных, параллелизм задач. Параллельные вычисления использовались много лет в основном в высокопроизводительных вычислениях, но в последнее время к ним возрос интерес вследствие существования физических ограничений на рост тактовой частоты процессоров. Параллельные вычисления стали доминирующей парадигмой в архитектуре компьютеров, в основном в форме многоядерных процессоров.

Писать программы для параллельных систем сложнее, чем для последовательных, так как конкуренция за ресурсы представляет новый класс потенциальных ошибок в программном обеспечении, среди которых состояние гонки является самой распространённой. Если при вычислении не применяются циклические (повторяющиеся) действия, то N вычислительных модулей никогда не выполнят работу в N раз быстрее, чем один единственный вычислительный модуль. А так как при реализации фильтра Гаусса применяется в основном циклическая обработка данных, то разумно будет применить один из методов параллелизации.

Наиболее распространенными видами параллелизации на данный момент является многопоточность стандартными средствами центрального процессора и многопоточность средствами GPU. К первому типу относится наиболее универсальная платформа под названием OpenMP. OpenMP реализует параллельные вычисления с помощью многопоточности, в которой «главный» (master) поток создает набор подчиненных (slave) потоков и задача распределяется между ними. Предполагается, что потоки выполняются параллельно на машине с несколькими процессорами (количество процессоров не обязательно должно быть больше или равно количеству потоков). Количество создаваемых потоков может регулироваться как самой программой при помощи вызова библиотечных процедур, так и извне, при помощи переменных окружения.

Однако процессоры общего назначения менее приспособлены к интенсивным арифметическим вычислениям, в отличие от GPU, которые проектируются как раз для этих целей. Поэтому посмотрим в их сторону, что приводит нас к следующему понятию.

GPGPU (англ. General-purpose graphics processing units — «GPU общего назначения») — техника использования графического процессора видеокарты для общих вычислений, которые обычно проводит центральный процессор. На данный момент существуют следующие реализации:

· AMD FireStream — технология GPGPU, позволяющая программистам реализовывать алгоритмы, выполнимые на графических процессорах ускорителей ATI.

· CUDA — технология GPGPU, позволяющая программистам реализовывать на языке программирования Си алгоритмы, выполнимые на графических процессорах ускорителей GeForce восьмого поколения и старше (GeForce 8 Series, GeForce 9 Series, GeForce 200 Series), Nvidia Quadro и Nvidia Tesla компании Nvidia. Технология CUDA разработана компанией Nvidia.

· Direct3D 11 — вычислительный шейдер (англ. Compute Shader).

· OpenCL является языком программирования задач, связанных с параллельными вычислениями на различных графических и центральных процессорах.

Как видно, каждый производитель пытается продвинуть на рынок именно свою технологию, и только OpenCL является открытым стандартом, который поддерживается на большинстве современных ускорителях.

Дата добавления: 2015-07-02